形狀識(shí)別2：方圓

精度：99.306%
排名：第二

1.數(shù)據(jù)處理
2.搭建模型
3.模型集成

1.數(shù)據(jù)處理

1.1中值濾波(median filter)進(jìn)行降噪

中值濾波的主要原理是將數(shù)字圖像中的某點(diǎn)用該點(diǎn)的鄰域中各個(gè)像素值的中值所來代替桐早，例如黑點(diǎn)的像素值比較大，在周圍都是白點(diǎn)的情況下雄坪，用中值進(jìn)行填充芽突，那么黑點(diǎn)的像素值就會(huì)變小座柱，從而能在過濾出噪聲點(diǎn)。標(biāo)桿模型中用某點(diǎn)周圍的5個(gè)像素值的中值進(jìn)行代替，如圖1：

圖1.中值濾波(median filter)進(jìn)行降噪

1.2閾值分割法(threshold segmentation)生成掩膜(binary mask)

在本文中的閾值分割法原理就是以一張圖片所有像素值的眾數(shù)作為閾值咳短，當(dāng)某點(diǎn)的像素值小于閾值時(shí)眶蕉，則通過布爾值進(jìn)行分類砰粹，分成白點(diǎn)或黑點(diǎn)，例如眾數(shù)對(duì)應(yīng)是黑點(diǎn)的像素值造挽，那么小于眾數(shù)的像素值點(diǎn)就被分類為白點(diǎn)碱璃，那么一張圖片就形成黑白分明的圖弄痹。如圖2：

圖2.閾值分割法(threshold segmentation)生成掩膜(binary mask)

1.3形態(tài)閉合(morphology closing)

形態(tài)變換分為形態(tài)閉運(yùn)算和形態(tài)開運(yùn)算，形態(tài)閉運(yùn)算是形態(tài)先膨脹后腐蝕嵌器，可用來填充小孔肛真，而開運(yùn)算則是先腐蝕后膨脹，可用來消除小斑塊爽航。本文采用閉運(yùn)算來填充圖2中蚓让，閾值分割后的小孔。
膨脹：原理是在二值圖像上岳掐，找到像素值為1的點(diǎn)凭疮，將它的鄰近像素點(diǎn)都設(shè)置成這個(gè)值。1值表示白串述，0值表示黑执解，因此膨脹操作可以擴(kuò)大白色值范圍，壓縮黑色值范圍纲酗。
腐蝕：和膨脹相反的操作衰腌，將0值擴(kuò)充到鄰近像素。擴(kuò)大黑色部分觅赊，減小白色部分右蕊。如圖3：

圖3.形態(tài)閉合(morphology closing)

1.4添加異型數(shù)量

由于訓(xùn)練集中并沒有異型的樣本，所以當(dāng)測試集中出現(xiàn)異型樣本時(shí)吮螺，模型不能識(shí)別饶囚。所以往訓(xùn)練集中添加異型樣本，其中異性樣本來自測試集鸠补，通過對(duì)數(shù)據(jù)的可視化萝风，人工標(biāo)識(shí)異型樣本。如圖4

圖4.人工篩選

1.5數(shù)據(jù)增廣

keras中的圖片生成器（ImageDataGenerator）紫岩，其實(shí)就是對(duì)數(shù)據(jù)進(jìn)行一些處理规惰，比如去中心化、圖片寬度泉蝌、高度的處理歇万、圖片旋轉(zhuǎn)等。

2.模型搭建

2.1卷積層

原理就是用一個(gè)超參數(shù)filter對(duì)圖像矩陣進(jìn)行局部提取特征勋陪。如圖5：

圖5.卷積運(yùn)算

如上圖所示贪磺，該圖片的輸入為一個(gè)三通道的圖片，即RGB圖像诅愚。而超參數(shù)為Filter_w0和Filter_w1缘挽。其中藍(lán)色部分為圖像的像素?cái)?shù)據(jù)，為了增加對(duì)邊緣數(shù)據(jù)的利用，在外層增加了一層灰色全為0的數(shù)據(jù)壕曼，目的就是在用超參數(shù)提取局部數(shù)據(jù)時(shí)，能增加外層數(shù)據(jù)的利用等浊，其中b0為偏置項(xiàng)腮郊，一個(gè)filter就輸出一組數(shù)據(jù)硅堆，即綠色部分纹坐。

2.2池化層

池化層就是對(duì)卷積層的結(jié)果進(jìn)行進(jìn)一步的提取，設(shè)置一個(gè)filter毅厚，對(duì)卷積結(jié)果進(jìn)行局部提取撒踪，取局部矩陣中的最大值或者平均值过咬，作為這個(gè)局部矩陣的代表值，這樣就縮小的圖像的大小制妄，例如卷積層輸出是4x4大小的矩陣掸绞，而池化層filter是2x2矩陣，那么池化后的輸出結(jié)果為2x2的矩陣耕捞。如圖6：

圖6.filter為2x2以最大值為代表的池化層

2.3全連接層

其實(shí)就是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)衔掸，如圖7：

圖7.全連接層

3模型集成

集成原理就是少數(shù)服從多數(shù)，我們采用三個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果進(jìn)行一個(gè)集成俺抽，例如樣本1在三個(gè)模型中的預(yù)測結(jié)果是一樣時(shí)敞映，集成結(jié)果即三個(gè)模型一致的結(jié)果，若三個(gè)模型中磷斧，兩個(gè)模型的預(yù)測結(jié)果是一致振愿，而只有一個(gè)模型的預(yù)測結(jié)果不同時(shí)，那就少數(shù)服從多數(shù)弛饭，取兩個(gè)模型一致的預(yù)測結(jié)果作為集成結(jié)果冕末，若三個(gè)模型預(yù)測結(jié)果均不一樣時(shí)，取最優(yōu)模型的預(yù)測結(jié)果作為集成結(jié)果孩哑。
最后結(jié)果如下：

最后編輯于：2020.09.06 16:48:29

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者